Sztuczna inteligencja w medycynie - gdzie realnie pomaga w 2026
Spis treści
Sztuczna inteligencja w medycynie przestała być zapowiedzią. W 2026 roku pracuje w pracowniach radiologicznych, w laboratoriach patomorfologicznych i w gabinetach, w których zapisuje przebieg wizyty. Różnica względem poprzedniej dekady polega na tym, że część zastosowań ma za sobą duże badania kliniczne, a część nadal opiera się wyłącznie na materiałach producenta. Ten tekst rozdziela jedno od drugiego.
Diagnostyka obrazowa: najmocniejsze dowody
Obrazowanie to obszar, w którym AI ma najtwardsze dane, bo zadanie jest dla algorytmu wygodne: wejściem jest obraz, pytanie jest zamknięte, a materiał do nauki liczy się w milionach badań.
Najczęściej cytowanym dowodem jest szwedzkie badanie MASAI, opublikowane w Lancet Oncology w 2023 roku. Ponad 80 tys. kobiet z programu przesiewowego przydzielono losowo do odczytu mammogramów wspieranego przez AI albo do standardowego podwójnego odczytu przez dwóch radiologów. Wyniki pośrednie pokazały wyższą wykrywalność raka w ramieniu z AI przy podobnym odsetku wyników fałszywie dodatnich, a obciążenie pracą przy odczycie spadło o około 44%. To ostatnie jest w europejskich programach przesiewowych argumentem nie mniej ważnym niż czułość, bo radiologów po prostu brakuje.
Drugi dojrzały przykład to okulistyka. Retinopatia cukrzycowa jest chorobą, w której wczesne wykrycie zmienia rokowanie, a badanie przesiewowe sprowadza się do oceny zdjęcia dna oka. W kwietniu 2018 roku amerykańska FDA dopuściła IDx-DR jako pierwsze urządzenie oparte na AI stawiające rozpoznanie autonomicznie, bez interpretacji przez specjalistę. Od tego czasu podobne systemy trafiły do przesiewu w wielu krajach, zwykle w punktach podstawowej opieki zdrowotnej, gdzie okulisty nie ma.
W dermatologii obraz jest bardziej złożony. Modele klasyfikujące zmiany skórne osiągają w badaniach wyniki porównywalne z dermatologami, ale ich skuteczność zależy od tego, na jakich zdjęciach się uczyły. Zbiory treningowe przez lata były zdominowane przez jasne fototypy skóry, co przekłada się na gorsze działanie u pacjentów o ciemniejszej karnacji. To podręcznikowy przykład błędu systematycznego, który w laboratorium jest niewidoczny, a w przychodni realny.
Patologia cyfrowa
Patomorfologia weszła w AI później niż radiologia, bo najpierw musiała się zdigitalizować. Preparat trzeba zeskanować, a plik z pojedynczego szkiełka waży setki megabajtów. Gdy pracownie zaczęły to robić rutynowo, algorytmy dostały materiał.
Punktem zwrotnym było dopuszczenie przez FDA we wrześniu 2021 roku systemu Paige Prostate, pierwszego narzędzia AI wspomagającego rozpoznanie w patologii cyfrowej. Zadanie jest tu bardzo konkretne: wskazać w zeskanowanym preparacie biopsji obszary podejrzane o raka gruczołu krokowego, żeby patolog obejrzał je w pierwszej kolejności. Model nie stawia rozpoznania, tylko porządkuje uwagę człowieka. Ta sama logika obsługuje dziś liczenie mitoz, ocenę ekspresji markerów i przeszukiwanie preparatu pod kątem przerzutów w węzłach chłonnych.
Modele językowe w dokumentacji
Najszybciej rozpowszechniło się zastosowanie, które z diagnostyką nie ma nic wspólnego: pisanie notatek. Duże modele językowe potrafią nasłuchiwać rozmowy lekarza z pacjentem i zamienić ją w ustrukturyzowany wpis do dokumentacji. Takie narzędzia, nazywane ambient scribes, działają dziś w tysiącach placówek w USA i wchodzą do Europy.
Powód tej adopcji jest prozaiczny. Dokumentacja zjada lekarzowi kilka godzin dziennie i jest jedną z głównych przyczyn wypalenia zawodowego. Narzędzie, które skraca ten czas, daje mierzalny zwrot bez ingerencji w decyzje kliniczne, więc wymaga też mniej formalności regulacyjnych niż system diagnostyczny. Według AI Index Report 2026 (Stanford HAI) lekarze raportowali nawet o 83% mniej czasu na pisanie notatek dzięki takim narzędziom - to jednak maksimum z jednej placówki w USA, Sharp HealthCare, a nie typowy wynik.
Ryzyko jest jednak specyficzne dla tej technologii. Model językowy generuje tekst prawdopodobny, a nie prawdziwy, i potrafi dopisać do notatki objaw, którego nikt nie zgłosił, albo pominąć istotny fragment wywiadu. Dlatego standardem jest wymóg, by lekarz przeczytał i zatwierdził notatkę przed jej zapisaniem. To samo ograniczenie dotyczy streszczania historii choroby: skrót tysiąca stron dokumentacji jest wygodny, ale nie zwalnia z weryfikacji tego, na czym opiera się decyzja. Dowody też mają luki: ten sam raport zwraca uwagę, że z ponad 500 badań nad klinicznym AI prawie połowa opierała się na pytaniach egzaminacyjnych, a tylko 5% na rzeczywistych danych klinicznych.
Odkrywanie leków
W badaniach nad lekami AI zmieniła etap poprzedzający laboratorium. AlphaFold 3, opisany w Nature w maju 2024, przewiduje nie tylko strukturę pojedynczego białka, ale też budowę jego kompleksów z małymi cząsteczkami, DNA i RNA. Dla chemika medycznego to informacja o tym, czy projektowana cząsteczka ma szansę związać się z celem, uzyskana w godziny zamiast miesięcy pracy eksperymentalnej.
Isomorphic Labs, spółka wydzielona z DeepMind, buduje na tym własny program odkrywania leków i prowadzi projekty razem z koncernami farmaceutycznymi. Warto jednak zachować proporcje: przewidzenie struktury to początek, a nie koniec drogi. Kandydat musi przejść badania przedkliniczne i kolejne fazy badań klinicznych, a to właśnie tam trwa najdłużej i tam pada najwięcej projektów. AI skraca poszukiwanie, nie dopuszczenie do obrotu.
Triage i predykcja: obszar największych rozczarowań
Przewidywanie pogorszenia stanu pacjenta wygląda na idealne zadanie dla analizy dużych zbiorów danych, a jednocześnie przyniosło najwięcej wpadek.
Najgłośniejszą opisano w JAMA Internal Medicine w 2021 roku. Niezależny zespół z Uniwersytetu Michigan zwalidował szeroko wdrożony komercyjny model wczesnego ostrzegania o sepsie na blisko 40 tys. hospitalizacji. Pole pod krzywą wyniosło 0,63, znacznie poniżej wartości deklarowanych przez producenta, model przeoczył większość przypadków sepsy i jednocześnie generował dużą liczbę alertów fałszywych. Wnioski były systemowe, nie jednostkowe: narzędzie wdrożono w setkach szpitali bez niezależnej walidacji zewnętrznej.
Ta lekcja przekłada się na prostą regułę zakupową. Wynik modelu z publikacji producenta mówi o populacji, na której go uczono. Zanim system zacznie sortować pacjentów, powinien zostać zmierzony na danych placówki, która go wdraża. Mechanizm degradacji jest ten sam, co w innych zastosowaniach algorytmów uczenia maszynowego: gdy zmienia się rozkład danych wejściowych, jakość spada, choć w kodzie nic się nie zmieniło.
Chirurgia robotyczna
Roboty chirurgiczne działają od ponad dwóch dekad i wbrew nazwie nie operują samodzielnie. System da Vinci i jego konkurenci to telemanipulatory: ruch wykonuje chirurg przy konsoli, a mechanika go stabilizuje, skaluje i przenosi na narzędzia o wielu stopniach swobody. W Polsce takich systemów pracuje kilkadziesiąt, a prostatektomia radykalna wykonywana tą metodą jest finansowana ze środków publicznych.
AI dokłada do tego warstwę analityczną, nie autonomię. Algorytmy rozpoznają etapy zabiegu w zapisie wideo, oznaczają struktury anatomiczne w polu widzenia, ostrzegają przed zbliżeniem narzędzia do naczynia i pozwalają oceniać technikę operatora na podstawie nagrania, co jest wykorzystywane w szkoleniu. Autonomiczne wykonanie zabiegu pozostaje przedmiotem badań na modelach zwierzęcych.
Polska: certyfikacja i wdrożenia
Polska ma infrastrukturę, na której medyczna AI może się oprzeć, bo e-recepta, e-skierowanie i Internetowe Konto Pacjenta stworzyły scentralizowany zbiór danych zdrowotnych prowadzony przez Centrum e-Zdrowia. To warunek konieczny dla narzędzi analitycznych działających na danych rzeczywistych.
Równolegle Ministerstwo Zdrowia wspólnie z Centrum e-Zdrowia prowadzi prace nad certyfikacją rozwiązań AI w ochronie zdrowia. Cel jest praktyczny: dyrektor szpitala kupujący system wspierający diagnostykę nie ma dziś narzędzi, żeby samodzielnie ocenić jego jakość, a znak CE dla wyrobu medycznego potwierdza zgodność z wymaganiami, nie przydatność w konkretnym oddziale. Wdrożenia w polskich placówkach koncentrują się na radiologii oraz na automatyzacji administracji.
Regulacje: MDR i AI Act razem
Oprogramowanie medyczne wykorzystujące AI podlega w Unii dwóm reżimom naraz i to jest główne źródło nieporozumień.
Pierwszy to rozporządzenie MDR. Oprogramowanie przeznaczone do diagnozowania, monitorowania lub leczenia jest wyrobem medycznym, a reguła klasyfikacyjna dotycząca oprogramowania podnosi większość takich produktów do klasy IIa lub wyżej. Konsekwencją jest udział jednostki notyfikowanej w ocenie zgodności, dokumentacja techniczna, ocena kliniczna i nadzór po wprowadzeniu do obrotu.
Drugi to AI Act. Systemy będące elementem bezpieczeństwa wyrobu medycznego trafiają do kategorii wysokiego ryzyka, co dokłada obowiązki dotyczące zarządzania ryzykiem, jakości danych treningowych, dokumentacji technicznej, rejestrowania zdarzeń i nadzoru ludzkiego. Harmonogram jest rozłożony w czasie: obowiązki przejrzystości z artykułu 50 oraz wymogi dla systemów wysokiego ryzyka obowiązują od 2 sierpnia 2026, a dla AI wbudowanej w produkty regulowane przepisami sektorowymi, w tym wyroby medyczne, od 2 sierpnia 2027. Komisja Europejska zaproponowała w pakiecie Digital Omnibus przesunięcie tych terminów na 2 grudnia 2027 i 2 sierpnia 2028, ale to propozycja, nie obowiązujące prawo.
Dla porównania, w Stanach Zjednoczonych FDA prowadzi jawną listę dopuszczonych urządzeń medycznych wykorzystujących AI. Liczy ona już ponad tysiąc pozycji, a zdecydowana większość dotyczy radiologii, co dobrze pokazuje, gdzie technologia faktycznie dojrzała.
Czego AI w medycynie nie zrobi
Ograniczenia są dziś opisane równie dobrze jak sukcesy i warto je znać przed podpisaniem umowy z dostawcą.
| Ograniczenie | Na czym polega | Co z tym robić |
|---|---|---|
| Błąd systematyczny | model działa gorzej na populacji innej niż treningowa | walidacja na danych własnej placówki przed wdrożeniem |
| Halucynacje | model językowy generuje wiarygodną, ale nieprawdziwą treść | obowiązkowe zatwierdzenie treści przez człowieka |
| Degradacja w czasie | zmiana aparatury, protokołu lub profilu pacjentów obniża jakość | monitoring wyników i zaplanowana rewalidacja |
| Odpowiedzialność | algorytm nie jest podmiotem prawa | jasny podział ról producent - podmiot leczniczy |
| Ochrona danych | dane zdrowotne to szczególna kategoria danych osobowych | podstawa prawna, minimalizacja, kontrola dostawcy |
Żadnego z tych punktów nie rozwiązuje lepszy model. To są problemy wdrożeniowe i organizacyjne, i dokładnie w tym miejscu spotykają się z szerszą dyskusją o etyce sztucznej inteligencji.
Praktyczny wniosek na 2026 rok jest umiarkowany, ale konkretny. Tam, gdzie zadanie jest wąskie, dane obfite, a wynik weryfikowalny, sztuczna inteligencja już dziś podnosi jakość opieki i zdejmuje pracę z przeciążonego personelu. Tam, gdzie trzeba łączyć niepełne informacje, rozmawiać z pacjentem i wziąć odpowiedzialność za decyzję, pozostaje narzędziem w rękach lekarza. Zakres tego, co potrafi sztuczna inteligencja, rośnie szybko, ale granica między wsparciem a zastąpieniem człowieka w medycynie przesuwa się znacznie wolniej niż zapowiedzi producentów.
Źródła
Najczęściej zadawane pytania
Czy sztuczna inteligencja może postawić diagnozę bez lekarza?
W wąskich, ściśle zdefiniowanych zadaniach tak, ale to wyjątek, nie reguła. Wzorcowym przykładem jest IDx-DR, system oceniający zdjęcia dna oka pod kątem retinopatii cukrzycowej, dopuszczony przez amerykańską FDA w kwietniu 2018 jako pierwsze urządzenie stawiające rozpoznanie bez interpretacji przez specjalistę. Warunki są jednak twarde: jedno pytanie, jeden typ obrazu, jasno opisana populacja i wymóg skierowania pacjenta do okulisty, gdy wynik jest pozytywny. Poza takimi niszami medyczna AI pracuje jako narzędzie wspierające, a odpowiedzialność za rozpoznanie i leczenie zostaje po stronie lekarza.
Czy AI zastąpi radiologów?
Nie w obecnej dekadzie, choć zmieni rozkład ich pracy. Algorytm dobrze radzi sobie z powtarzalnym przeglądem dużej liczby badań i z sygnalizowaniem obrazów wymagających uwagi, czyli z częścią zadania, która najbardziej męczy. Nie przejmuje natomiast korelowania obrazu z wywiadem, badaniem fizykalnym i wynikami laboratoryjnymi, prowadzenia procedur zabiegowych ani odpowiedzi na nietypowe pytanie kliniczne. W badaniu MASAI sztuczna inteligencja nie zastąpiła odczytujących, tylko pozwoliła zastąpić podwójny odczyt pojedynczym w części przypadków. To przesunięcie obciążenia, nie likwidacja zawodu.
Jakie są największe ryzyka medycznej AI?
Trzy powracają w każdej analizie. Pierwsze to błąd systematyczny wynikający z danych treningowych - model wyuczony na jednej populacji potrafi działać gorzej na innej, co szczególnie dotyczy dermatologii i zbiorów zdjęć zdominowanych przez jasne fototypy skóry. Drugie to halucynacje modeli językowych, czyli odpowiedzi brzmiące wiarygodnie, ale niezgodne z faktami, co przy streszczaniu dokumentacji może wprowadzić do karty pacjenta informację, której nigdy nie było. Trzecie to spadek jakości po wdrożeniu, gdy zmienia się aparatura, protokół badania albo profil pacjentów, a model nie jest ponownie walidowany.
Kto odpowiada za błąd popełniony przez system AI?
Odpowiedzialność rozkłada się na dwa poziomy i żaden z nich nie obciąża algorytmu. Producent odpowiada za wyrób: musi przeprowadzić ocenę zgodności, udokumentować działanie, prowadzić nadzór po wprowadzeniu do obrotu i zgłaszać incydenty. Lekarz i podmiot leczniczy odpowiadają za decyzję kliniczną, bo w świetle obecnych przepisów wynik systemu jest przesłanką, a nie rozstrzygnięciem. W praktyce oznacza to obowiązek weryfikacji podpowiedzi AI i udokumentowania, że decyzję podjął człowiek. AI Act tę logikę wzmacnia, wymagając dla systemów wysokiego ryzyka realnego nadzoru ludzkiego, a nie formalnego kliknięcia potwierdzenia.
Czy szpitale w Polsce faktycznie używają AI?
Tak, ale punktowo i najczęściej w diagnostyce obrazowej. Najpowszechniejsze są systemy wspierające opis badań radiologicznych, szczególnie tomografii klatki piersiowej i głowy, oraz narzędzia ustawiające kolejność badań pilnych w kolejce do opisu. Do tego dochodzi warstwa administracyjna: transkrypcja, rozpisywanie grafików, obsługa rejestracji. Ministerstwo Zdrowia wraz z Centrum e-Zdrowia prowadzi prace nad ramami certyfikacji rozwiązań AI w ochronie zdrowia, których celem jest ujednolicenie oceny takich narzędzi przed dopuszczeniem ich do użytku w podmiotach leczniczych.
Czy AI przyspiesza odkrywanie leków?
Przyspiesza wczesne etapy, a nie całą ścieżkę. AlphaFold 3, opisany w Nature w maju 2024, przewiduje struktury nie tylko białek, ale i ich kompleksów z ligandami, DNA i RNA, co skraca pracę, która wcześniej wymagała krystalografii albo mikroskopii krioelektronowej. Na tej podstawie Isomorphic Labs projektuje cząsteczki kandydackie razem z firmami farmaceutycznymi. Wąskim gardłem pozostają jednak badania kliniczne: model nie skróci faz badań na ludziach ani nie zastąpi oceny bezpieczeństwa. Realny efekt to krótszy i tańszy etap poszukiwania kandydata, nie krótsza droga do apteki.